CWE-bench v2 发布：公开 100 个安全漏洞修复任务

Collinear AI 发布 CWE-bench v2，公开 100 个任务供任何人运行和评测模型，覆盖 91 种 CWE，评分完全程序化且可复现。在已评测的 11 个模型中，Gemini 4 Argon 以 67.8% pass@1 领先，Claude Opus 5.5 为 67.3%；95 个任务至少被一个模型解决，但榜首模型每次尝试仍有 19% 失败。